Основные понятия алгоритмов навигации для воплощённого ИИ
Эта глава задаёт минимальную базу знаний о навигации для воплощённого ИИ: как робот по показаниям датчиков оценивает своё положение, строит или читает карту, планирует путь и переводит его в исполняемые управляющие команды. После её изучения вы сможете читать последующие эксперименты в Habitat — понимать сцены, датчики, навигационные сетки, цели и метрики оценки.
1. Навигационный замкнутый контур
Полная навигационная система непрерывно выполняет такой цикл:
flowchart LR
A[Камера и глубина и т. д.] --> B[Локализация и оценка состояния]
B --> C[Карта или представление сцены]
C --> D[Глобальное планирование пути]
D --> E[Локальное планирование и обход препятствий]
E --> F[Скорость или дискретные действия]
F --> G[Робот и среда]
G --> A
Модули выполняют разные задачи: локализация отвечает на вопрос «где робот», картографирование — «какова структура среды», планирование — «через какие места пройти», управление — «как двигаться в данный момент». Сквозные стратегии могут объединять несколько модулей в одной модели, но при оценке всё равно нужно различать этапы восприятия, построения пути и исполнения.
2. Типичные постановки задач
| Задача | Вход с целью | Типичный выход | Основные трудности |
|---|---|---|---|
| Навигация к точке | Относительные или абсолютные координаты цели | Движение вперёд, поворот, остановка | Ошибка локализации и обход препятствий |
| Навигация к объекту | Категория цели или изображение цели | Действия движения и решение об остановке | Поиск цели и семантическое обобщение |
| Навигация по изображению | Опорное изображение цели | Действия движения и решение об остановке | Изменение ракурса и сопоставление мест |
| Визуально-языковая навигация | Описание пути на естественном языке | Непрерывные или дискретные действия навигации | Согласование с инструкцией, память истории и выбор пути |
| Исследование и активное восприятие | Цель покрытия или выигрыша информации | Последовательность точек наблюдения | Моделирование неизвестного пространства и эффективность выборки |
3. Карты и планирование
3.1 Растровые карты и навигационные сетки
Двумерная растровая карта делит пространство на проходимые, занятые и неизвестные области; такой формат подходит для классических алгоритмов планирования, например A* и Dijkstra. Трёхмерные симуляторы обычно строят навигационную сетку по сетке сцены и размерам робота, и планировщик ищет путь только по проходимым поверхностям.
3.2 Глобальное и локальное планирование
Глобальное планирование строит маршрут от старта до цели по известной карте. Локальное планирование использует текущие показания датчиков, чтобы обрабатывать движущиеся препятствия, ошибки карты и ограничения управления. Если есть только глобальный маршрут без локального обхода препятствий, робот плохо справляется с динамической средой; если есть только локальная реакция без глобальной цели, он легко ходит кругами или застревает в сложном пространстве.
3.3 Классические алгоритмы поиска
- Dijkstra: расширяет узлы по накопленной стоимости пути и находит кратчайший путь в графе с неотрицательными весами рёбер.
- A*: добавляет к накопленной стоимости эвристическую оценку расстояния до цели; обычно раскрывает меньше узлов, чем Dijkstra.
- Быстро растущие случайные деревья (RRT): выбирают точки в непрерывном многомерном пространстве и растят древовидную структуру; подходят для задач с кинематическими ограничениями.
4. Датчики и состояние
RGB-камера даёт текстуру и семантику, глубинная камера — расстояние до поверхностей, лидар — стабильный геометрический скан, одометрия и инерциальный измерительный блок — оценку движения на коротких интервалах. В симуляции можно напрямую получить идеальную позу, но разрешено ли её использовать при обучении и тестировании, должен явно определить протокол задачи.
5. Распространённые метрики оценки
Успешность
Успешность — доля эпизодов, в которых робот в пределах заданного числа шагов правильно добрался до цели и выполнил действие остановки. Пороговое расстояние до цели, условия столкновений и требование явной остановки должны быть фиксированы.
Успешность, взвешенная по длине пути
Успешность, взвешенная по длине пути (SPL), учитывает одновременно факт успеха и эффективность маршрута. Успешная, но сильно петляющая траектория получает меньший балл, чем успешная траектория, близкая к кратчайшей.
Расстояние до цели и столкновения
Расстояние до цели помогает понять, насколько близко к цели подошла неуспешная траектория; число столкновений, время столкновений или безопасное расстояние — для анализа безопасности исполнения. Определения столкновений в разных статьях могут различаться, поэтому перед сравнением сверяйте протокол.
6. Минимальная проверка знаний
Перед практикой в Habitat убедитесь, что можете ответить на вопросы:
- Какую цель получает стратегия: координаты, категорию, изображение или язык?
- Может ли стратегия читать истинную позу или полную карту?
- Действия дискретны (движение вперёд и поворот) или это непрерывная скорость?
- Требует ли успех явной команды остановки?
- Сколько эпизодов, каких сцен и каких начальных состояний используется для оценки?
Дальше изучите среду Habitat-Sim и наборы данных, а затем перейдите к практике с задачами и оценкой в Habitat-Lab.